The University of Hong Kong（香港大学）

GaussianWAM: Distilling Geometry and Semantics from 3D Gaussian Fields into World-Action Models

GaussianWAM：将三维高斯场的几何与语义知识蒸馏至世界-动作模型

Zijian Zhang, Yuqing Jiang, Weitao Zhou, Minglei Li, Jinhao Zhang, Yao Mu, Xiaofan Li, Hao Zhao, Haibao Yu

机构 * Tuojing Intelligence（拓境智能） ； University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Tsinghua University（清华大学） ； Simple AI（简智人工智能） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； The University of Hong Kong（香港大学） 纠错

AI总结 GaussianWAM是训练时的表征增强框架，通过三维高斯场蒸馏几何与语义监督，在LIBERO-Plus等任务上显著提升了WAM类模型的机器人操作性能，且不改变部署架构。

Comments 13 pages, 5 figures

OPDSearch+: On-Policy Distillation with RL Refinement for Search-Augmented Reasoning

OPDSearch+：用于搜索增强推理的带RL优化的在线策略蒸馏

Qinglin Ye, Zhiyuan Gu, Jingjie Xia, Yiheng Zhang, Kaiyan Zhao, Shunchao Zheng, Yuhang Mu, Wenchao Du, Yiming Wang

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Macau（澳门大学） ； Wuhan University（武汉大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Northwestern Polytechnical University（西北工业大学） ； University of Hong Kong（香港大学） 纠错

AI总结 OPDSearch+是无需教师微调的搜索增强推理蒸馏范式，利用冻结的现成指令模型分两阶段优化3B模型，在7个QA基准上优于所有3B RL基线，HotpotQA和2WikiMultihopQA分别提升13.1%、8.5%。

Comments 9 pages, 4 figures

Representation Learning in Diffusion and Flow-based Model: An Application Aspect

扩散模型与基于流的模型中的表示学习：应用视角

Yanchen Xu, Sida Huang, Zhenyu Gu, Ruishu Zhu, Yilan Gao, Hongyuan Zhang

机构 * Fudan University（复旦大学） ； School of Artificial Intelligence, OPtics and ElectroNics (iOPEN), Northwestern Polytechnical University（西北工业大学光学与电子信息人工智能学院（iOPEN）） ； The University of Hong Kong（香港大学） 纠错

AI总结 本综述聚焦应用场景，提出三层渐进框架，梳理扩散与基于流的模型中表示学习的双向关系，分类下游任务方法，明确研究挑战并指明未来方向，为相关应用研究提供参考。

Comments Accepted by Vicinagearth

Autonomous Mathematical Discovery in an Open-World Multi-Agent Environment

开放世界多智能体环境中的自主数学发现

Stephen Chung, Wenyu Du, William J. Wesley

机构 * DualverseAI ； University of Cambridge（剑桥大学） ； University of Hong Kong（香港大学） ； University of California San Diego（加州大学圣迭戈分校） 纠错

AI总结 本研究在开放世界多智能体环境Station中，让AI智能体自主开展数学研究，在多个数学问题上取得新结果，生成可解释的定理与分析，并公开相关原始数据与代码。

Comments 38 pages, 12 figures, 3 tables. Source code at this https URL (https://github.com/dualverse-ai/station) and raw agent dialogues, proofs, and verification artifacts at this https URL (https://github.com/dualverse-ai/station_data_v2)

Continual Learning With Participation Privacy: An Auditable Buffering-Aggregation Recipe

具有参与隐私的持续学习：一种可审计的缓冲聚合方法

T-H. Hubert Chan, Elaine Shi, Mengshi Zhao, Mingxun Zhou

机构 * The University of Hong Kong（香港大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 研究单编辑相邻用户流的持续学习隐私问题，提出模块化方法，用随机缓冲包装器处理，证明认证定理，使标准原语产生轨迹级差分隐私，建立隐私与延迟联系。

Comments This version corrects and clarifies the independent-decomposability condition underlying the adaptive-safety result in the pre-conference version of the ICML 2026 paper, with corresponding revisions to the affected statements and proofs

Ad Insertion in LLM-Generated Responses

在大语言模型生成响应中插入广告

Shengwei Xu, Zhaohua Chen, Xiaotie Deng, Zhiyi Huang, Grant Schoenebeck

机构 * University of Michigan（密歇根大学） ； Peking University（北京大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出了解耦广告插入与响应生成、以及竞价与用户查询的框架，通过基于类型拍卖机制实现近最优的社会福利，同时提高计算效率和上下文一致性。

Scientific Image Synthesis: Benchmarking, Methodologies, and Downstream Utility

科学图像合成：基准测试、方法论与下游应用

Honglin Lin, Zheng Liu, Chonghan Qin, Qizhi Pei, Yu Li, Zhanping Zhong, Xin Gao, Yanfeng Wang, Conghui He, Lijun Wu

机构 * Shanghai Jiao Tong University（上海交通大学） ； OpenDataLab, Shanghai Artificial Intelligence Laboratory（OpenDataLab，上海人工智能实验室） ； The University of Hong Kong（香港大学） ； Peking University（北京大学） 纠错

AI总结 本文提出ImgCoder框架和SciGenBench基准，通过逻辑驱动方法提升科学图像生成的结构精度，并展示微调LMMs在科学图像上的效果，验证了高保真合成在多模态推理中的潜力。